本文来自微信公众号： 科工力量 ，作者：张志峰，编辑：周远方
2026年5月，世界模型赛道至少有三件事值得记住。智元GE 2.0在WorldArena登顶，星动纪元Ctrl-World拿了具身任务能力全球第一，北京人形Pelican-Unify成了双冠王。
它们都在回答同一个问题。机器人到底该先建一座虚拟健身房，还是直接在真实世界里摔打。
这个闭环本身并非酷哇独有。智元用GE 2.0建全功能世界模拟器，让机器人在虚拟环境里试错进化。星动纪元走VLA与世界模型融合路线，用分频端到端打通感知与动作。北京人形则以国家队身份推进大一统物理智能回路。它们代表了当前世界模型的三条主路。
三路分兵，一路刷街
目前，全球科技巨头在世界模型赛道上呈现出不同的技术流派。
第一拨做视频生成，谷歌Genie 3、阿里Happy Oyster、OpenAI Sora，核心能力是生成逼真的未来画面，一帧一帧预测像素变化。图灵奖得主杨立昆曾指出，预测像素变化不等于理解物理世界，生成一段杯子掉落的视频，不代表模型懂得重力和材料力学。但在舆论场里，视频生成和世界模型常被混为一谈。Meta的V-JEPA 2走另一条路，不渲染画面，只提炼物理规律的因果理解，像一位只看棋谱不摸棋子的理论派。
第二拨做自动驾驶仿真。Waymo、特斯拉、蔚来NWM，这拨人其实最老资格，早就在用闭环仿真器测试极端路况、跑安全corner case，只是以前叫仿真器或数字孪生，生成式AI能力提升后，虚拟场景真假难辨，顺势把名字升级成了世界模型。他们的核心任务是预测自车响应和交通流演化，动作空间被严格限制在方向盘、油门、刹车两三个自由度里，目标是避免接触，而非理解接触。
第三拨做机器人与具身智能。智元、星动纪元、北京人形都在这个阵营，他们强调世界模型必须是动作条件化的，即预测的不是下一帧画面，而是我做了这个动作以后世界怎么变。这拨人要处理的是手指、手腕、肩膀几十甚至上百个自由度的协调，要理解推杯子会不会倒、拧瓶盖用多大力、叠毛巾时布料如何形变。道路有车道线和交通灯，规律性强，家庭与工厂里的物体材质、摆放方式、任务目标变化巨大，没有天然的几何约束，数据形态和计算复杂度与自动驾驶不在一个量级。
自动驾驶的世界模型，核心是避免接触，动作空间就两三个维度。人形机器人的世界模型，核心是怎么接触物体，手指、手腕、肩膀几十处关节配合，还得处理软体形变和摩擦力。从车到机器人，不是同一个模型放大，而是换了一个考场。
技术取舍：效率与精度的平衡
酷哇的特殊之处，在于它从第二拨往第三拨跳。
这种减法不是等技术成熟后拿来即用，而是基于自己的场景和数据，在世界模型的路线上做务实取舍。城市开放道路的数据和运营网络，对同场景的移动智能有复用价值，但向人形精细操作迁移，鸿沟仍在，目前未见公开验证。
更关键的是推演策略。
市面上有些世界模型遵循先预测后规划的范式，就像一个人打麻将，必须先把所有人的出牌可能都推演完，再决定自己怎么出。这种单向滞后的方式，往往忽略了出牌本身就在实时改写牌局。
现实挑战：从榜单领先到规模化落地
这种轻量化有代价。跟英伟达Cosmos那种千亿级参数的闭源大模型比，酷哇的生态完善度和商业配套成熟度确实弱。世界模型赛道目前也还没有统一标准，从榜单到真实场景，中间隔着规模化落地的鸿沟。
智元GE 2.0近期在WorldArena特定赛道登顶，星动纪元Ctrl-World拿下具身任务能力全球第一，北京人形Pelican-Unify成为双冠王，但这些成绩主要发生在榜单和实验室环境。作为新发布的世界模型，它们的生态成熟度和真实场景验证周期仍待观察。对酷哇而言，虽然已在智慧环卫、出行等领域积累五十PB数据并实现万台级终端部署，但如何将这些数据优势转化为跨场景、跨本体的通用泛化能力，仍是行业共同面临的难题。大多数世界模型公司仍处于高投入期，数据采集成本极高，系统复杂，真正实现大规模商业化盈利的企业仍是凤毛麟角。
智能的本质是交互，不是预测
当机器人不再只是“执行者”，而是能像人一样在动作与环境的互动中实时思考，我们离真正的通用具身智能确实更近了一步，但这一步的跨越，仍需要时间的沉淀与产业链的协同。